Cómo implementar inteligencia artificial en una empresa: guía paso a paso

¿Por dónde empezar con la inteligencia artificial en una empresa?

Por la data y por un solo proceso. No por una herramienta ni por un plan que pretenda transformar toda la empresa a la vez. La razón es práctica: la inteligencia artificial solo genera dinero cuando trabaja con la información real de tu negocio y dentro de un proceso que alguien ya ejecuta todos los días.

Todavía pocas empresas lo logran. En la 29.ª Encuesta Global de CEO de PwC, el 26 % de los CEO en Ecuador reporta más ingresos gracias a la IA y el 24 %, menores costos, pero el 46 % aún no percibe cambios. A escala global, la encuesta de McKinsey de 2026 encontró que solo el 37 % de los encuestados atribuye a la IA un aporte positivo a su EBIT (la utilidad operativa).

La diferencia no parece estar en el modelo. El informe del MIT NANDA de 2025 concluye que la brecha entre quienes obtienen valor y quienes no parece depender del enfoque y no de la calidad del modelo. Y Gartner prevé que, hasta 2026, las organizaciones abandonarán el 60 % de los proyectos de IA que no cuenten con datos preparados para IA. Por eso esta guía empieza por el proceso y la data, y deja la tecnología para después.

¿Hay que crear una IA propia para la empresa?

Casi nunca. Crear una IA para una empresa no significa entrenar un modelo desde cero, un trabajo propio de los laboratorios que desarrollan modelos. Significa conectar un modelo existente, como Claude de Anthropic, los modelos GPT de OpenAI o Gemini de Google, con tus datos y tus sistemas, y darle reglas y permisos claros.

La segunda opción descansa en dos piezas. La primera es la recuperación de información, conocida como RAG: según la documentación de Anthropic, combina la búsqueda de documentos relevantes con la generación de la respuesta, para que el modelo conteste con evidencia de la empresa y no de memoria. La segunda son las herramientas: conexiones que permiten al modelo consultar el ERP, registrar una factura o enviar un mensaje, siempre con los permisos que tú defines.

Paso 1: elige un solo proceso con dinero en juego

Un buen primer proceso cumple cinco condiciones. Si falla en una, probablemente no debe ir primero.

Un error frecuente es elegir por visibilidad. Cuando el MIT NANDA pidió a ejecutivos repartir un presupuesto hipotético de IA generativa, al menos la mitad fue a ventas y marketing, aunque el mismo informe señala que la automatización de procesos internos suele dar mejor retorno. Cuentas por pagar, cobranza y conciliación lucen menos que un chatbot en la web, pero su resultado se ve en el banco.

Un ejemplo de punta a punta, con cuentas por pagar: llega el XML de la factura del proveedor; el sistema lo lee, busca en el ERP la orden de compra y la recepción, y compara cantidades, precios e impuestos. Si todo cuadra, registra la factura y la deja lista para el pago; si hay una diferencia, la envía al responsable con el detalle de qué no coincide. El indicador es claro y sale del ERP: facturas procesadas sin intervención humana.

Si tienes varios candidatos y quieres compararlos con puntaje, usa el método de la guía sobre qué proceso automatizar primero.

Paso 2: mide la línea base antes de tocar nada

La línea base es la foto del proceso antes de automatizarlo: cuántas facturas se registran al mes y cuántas con errores, cuántos días tarda el cierre contable, cuántos días de cartera tienes, cuánto tarda tu equipo en responder a un cliente potencial. Sin esa foto, cualquier resultado posterior será una opinión.

Tres reglas para medirla bien:

• Sácala de tus sistemas (ERP, banco, CRM), no de una encuesta al equipo.
• Exprésala en dinero o en días. Las «horas liberadas» no son un resultado del negocio; lo son los dólares cobrados antes, el cierre que se adelanta o el proveedor pagado a tiempo.
• Acuerda el indicador antes de empezar, por escrito, con el proveedor y con el dueño del proceso.

La guía sobre cómo medir el retorno de la inteligencia artificial explica cómo convertir esa línea base en un reporte mensual de dinero.

Paso 3: revisa la data y los accesos a tus sistemas

Antes de hablar de modelos, confirma que la IA podrá leer y escribir donde vive la información. En una empresa mediana o grande de Ecuador eso suele implicar cuatro frentes.

El ERP. La conexión se hace por API, la puerta técnica que permite a otro sistema consultar y registrar datos. No todos los planes la incluyen: en Odoo, la «API externa» aparece solo en el plan Custom; Siigo Contífico lista una «API Key» entre las funciones de su plan Sistema Contable Esencial; en SAP o Microsoft Dynamics la conexión pasa por un acceso formal que autoriza tu área de sistemas. Verifícalo antes de cotizar, no después.

Los comprobantes del SRI. Cada comprobante electrónico es un archivo XML con una clave de acceso única de 49 dígitos, que se valida con los servicios web del SRI, según la ficha técnica oficial (versión 2.34, actualizada a julio de 2026). Es una ventaja práctica: la factura de un proveedor ecuatoriano ya llega como dato estructurado y no hay que «leerla» desde un PDF. Más detalle en la guía del XML de la factura electrónica.

Los canales. Si el proceso conversa con clientes, necesitas la plataforma oficial de WhatsApp para empresas (la API), no la aplicación del teléfono. La conversación debe quedar registrada en tu CRM o ERP, no solo en un chat.

Dónde viven los datos. Define si los datos crudos se quedan en tu nube o en tus servidores, qué llega al modelo (idealmente seudonimizado o cifrado) y qué política de retención aplica el proveedor del modelo. Todo esto se explica en la guía de seguridad de datos al usar inteligencia artificial.

Con este inventario ya puedes presupuestar con realismo: la guía sobre cuánto cuesta implementar inteligencia artificial desglosa cada componente con precios públicos.

Paso 4: decide qué hace la IA y qué decide una persona

Antes de construir, escribe la lista de decisiones del proceso y marca cuáles quedan en manos humanas. La guía práctica de OpenAI para construir agentes recomienda prever la intervención humana en dos casos: cuando el sistema supera un límite de fallos o reintentos, y ante acciones sensibles, irreversibles o de alto impacto. Aprobar un pago grande, castigar una deuda o aceptar una cláusula de un contrato entran en esa lista.

En Ecuador hay además una razón legal. El artículo 20 de la Ley Orgánica de Protección de Datos Personales (LOPDP) reconoce el derecho a no ser sometido a decisiones basadas única o parcialmente en valoraciones automatizadas que produzcan efectos jurídicos o afecten derechos y libertades; la persona puede pedir una explicación motivada, presentar observaciones e impugnar la decisión.

A eso se suma la norma general de la Superintendencia de Protección de Datos Personales para sistemas de IA que tratan datos personales (Resolución SPDP-SPD-2026-0009-R, publicada en el Registro Oficial 240 del 10 de marzo de 2026 y reformada en septiembre de 2026). Entre otras obligaciones, exige informar al titular sobre el tratamiento automatizado y hacer la gestión de riesgos, con evaluación de impacto cuando corresponda, antes de desarrollar el sistema.

Cierra este paso con permisos por rol: el sistema solo debe ver y tocar lo que vería la persona que hoy hace ese trabajo.

Paso 5: construye con datos reales y pruébalo en paralelo

Una demostración con datos inventados prueba poco. El primer flujo debe correr con tus comprobantes, tu cartera o tus estados de cuenta reales, en paralelo con el proceso actual, para comparar resultado contra resultado durante algunas semanas.

Dos consejos de los propios fabricantes de modelos:

• Empieza por lo más simple que funcione. Anthropic recomienda buscar la solución más sencilla posible y sumar complejidad solo cuando haga falta, porque los sistemas agénticos cambian latencia y costo por mejor desempeño.
• No todo necesita IA. La guía de OpenAI sugiere reservar los agentes para decisiones complejas, reglas difíciles de mantener o información no estructurada (textos, documentos, conversaciones). Si el caso no cumple esos criterios, una solución con reglas fijas puede bastar.

Durante la prueba, define la tolerancia: qué porcentaje de casos puede resolver el sistema solo, cuáles deriva a una persona y qué error es inaceptable. Esa definición es la que luego firma el dueño del proceso.

Paso 6: pon el proceso en producción con el equipo

Producción significa que el proceso corre todos los días sobre los sistemas reales, con usuarios capacitados y alguien que lo supervisa. Es el paso donde más proyectos se quedan: el MIT NANDA reporta que el 60 % de las organizaciones evaluó herramientas empresariales de IA, el 20 % llegó a piloto y apenas el 5 % a producción.

La clave está en rediseñar el trabajo, no en añadir una herramienta. En la encuesta de McKinsey, casi tres de cada cuatro empresas de alto desempeño en IA dicen haber rediseñado de fondo sus flujos de trabajo por usarla. En la práctica, eso significa decidir quién revisa las excepciones, cómo cambia el rol de quien digitaba y qué reportes dejan de armarse a mano.

La adopción tampoco llega sola. Según el informe Pulso IA de Deloitte e IT Ahora, citado por Diario Expreso, el 63 % de las empresas ecuatorianas ya implementa herramientas de IA o está en proceso de hacerlo, pero apenas el 21 % de los colaboradores con acceso las usa con regularidad.

Paso 7: mide cada mes y suma el siguiente proceso

Cada mes, compara el indicador contra la línea base y tradúcelo a dinero: facturas que ya no se digitan, días de cartera que bajaron, cierres que llegan antes. Ese reporte responde la pregunta del directorio y decide cuál es el siguiente proceso.

Con el primero funcionando, el segundo suele ser más rápido, porque la conexión con el ERP, con los comprobantes del SRI o con WhatsApp ya existe y el equipo ya conoce la forma de trabajar.

¿Cuánto tiempo toma implementar inteligencia artificial?

Más de lo que promete una presentación comercial, si se intenta todo a la vez. Gartner encontró que el 63 % de las áreas de finanzas dijo que la implementación de IA fue más lenta de lo esperado en 2025.

Tres prácticas acortan el camino:

• Que el reloj arranque con la entrega de accesos a los sistemas, no con la firma del contrato.
• Que haya un primer flujo con datos reales en las primeras semanas, para corregir temprano.
• Que el plazo se fije por proceso: un proceso no es la empresa entera.

Como referencia, en Advise el primer proceso queda en producción en 60 días, 30 de desarrollo y 30 de personalización y capacitación, contados desde la entrega de accesos, con un primer flujo con datos visible dentro de los 15 días siguientes; los procesos siguientes se suman uno a uno.

¿Qué pedirle al proveedor de inteligencia artificial?

Antes de firmar, pide respuestas por escrito a estas preguntas:

1. ¿Qué indicador se compromete a mover y cómo medirá la línea base en mis sistemas?
2. ¿Ya verificó que mi ERP tiene API y que mi plan la incluye?
3. ¿Dónde quedan mis datos crudos, qué llega al modelo y con qué política de retención?
4. ¿El proveedor del modelo entrena con mis datos? Los planes empresariales de ChatGPT, Claude y Google Workspace declaran que, por defecto, no lo hacen.
5. ¿Qué modelo usará en cada paso y cuánto costará el consumo al mes?
6. ¿Qué decisiones pasan por una persona y quién las aprueba?
7. ¿El precio y el plazo son cerrados o se cobran por horas? ¿Cuánto cuesta operar después?
8. ¿Firmará un anexo de protección de datos como encargado del tratamiento, conforme a la LOPDP?
9. ¿Qué me llevo si cambio de proveedor: datos, configuraciones y documentación?

Dos datos ayudan a filtrar. Gartner estima que solo unos 130 de los miles de proveedores que dicen vender IA agéntica lo son de verdad; al resto lo llama agent washing, es decir, rebautizar asistentes, RPA o chatbots como agentes. Y el MIT NANDA reporta que las alianzas con proveedores externos llegaron a producción en cerca del 67 % de los casos, frente a cerca del 33 % de los desarrollos internos, según lo declarado por los entrevistados. La comparación completa está en desarrollar IA internamente o con un proveedor.

Errores comunes al implementar inteligencia artificial

• Comprar licencias antes de tener un proceso. El MIT NANDA observa que herramientas como ChatGPT y Copilot mejoran la productividad individual, pero no mueven por sí solas los resultados financieros.
• Quedarse en el piloto. Si no hay fecha de producción ni dueño, el piloto se vuelve permanente. Más causas en por qué fracasan los proyectos de inteligencia artificial.
• Medir actividad en vez de resultados. Mensajes enviados u horas ahorradas no son retorno.
• Copiar y pegar entre sistemas. Si la IA no escribe en el ERP o en el CRM, alguien terminará haciéndolo a mano.
• Usar un agente donde basta una regla. Es más caro y menos predecible.
• Dejar la protección de datos para el final. La gestión de riesgos va antes de desarrollar, no después de lanzar.